Nesta análise iremos explorar e ponderar sobre dados da Cota de Exercício de Atividade Parlamentar dos nossos queridos deputados federais. Para isso iremos focar em responder algumas perguntas, vamos começar?
knitr::opts_chunk$set(warning = FALSE, message = FALSE)
library('tidyverse')
library('plotly')
library('ggplot2')
require('scales')
library('rgdal')
library('leaflet')
UM_MILHAO = 1000000
GASTO_EXTERIOR = 2
dados <- read_csv('dados/dadosCEAP.csv')
Não é preciso muita ponderação para perceber que os partidos que mais usam a cota parlamentar são os partidos grandes como PT, PSDB e PMDB. E os dados confirmam isso, atualmente o partido que mais usa a CEAP é o PT seguido por PMDB e PSDB que possuem 25 mil e 50 mil utilizações a menos respectivamente.
Já os partidos que menos utilizam a cota são, como era de se esperar, os partidos pequenos que possuem poucos parlamentares. O partido que menos utiliza a cota é o PTdoB seguido de perto por outros partidos minúsculos como PMN e PRTB.
total_gastos_partido <-
dados %>%
group_by(sgPartido) %>%
summarise(gastos = sum(valorLíquido), quantidade = plyr::count(sgPartido)$freq)
total_gastos_partido <- total_gastos_partido %>% filter(!is.na(sgPartido))
getCor <- function(qtd){
if(qtd < 50000) return("#05F613")
if(qtd >= 50000 & qtd < 70000) return("#F6A605")
return("#F63E17")
}
total_gastos_partido <- total_gastos_partido %>% mutate(cor = as.character(lapply(quantidade, getCor)))
cores = as.character(total_gastos_partido$cor)
ggplot(total_gastos_partido, aes(x = reorder(sgPartido, -quantidade), y = quantidade)) +
geom_col(aes(colour = sgPartido)) +
scale_color_manual(values = cores, guide = FALSE) +
scale_y_continuous(labels = comma, breaks = seq(0, 130000, by = 25000)) +
coord_flip() +
labs(title = "Uso da cota parlamentar por partido", y = "Quantidade de utilizações", x = "Partido")
Novamente, quanto mais deputados de um partido no congresso mais dinheiro da CEAP para ser gasto por esse partido. Mais uma vez os mesmos três partidos figuram nos primeiros lugares da gastança. O PMDB fica com o título de gastador, seguido por PT e PSDB nessa ordem.
Nos partidos que menos gastam também nenhuma surpresa, novamente os mesmos três partidos. O PTdoB é o que menos gasta seguido por PMN e PRTB.
getCor <- function(gasto){
if(gasto < 20000000) return("#05F613")
if(gasto >= 20000000 & gasto < 50000000) return("#F6A605")
return("#F63E17")
}
total_gastos_partido <- total_gastos_partido %>% mutate(cor = as.character(lapply(gastos, getCor)))
cores = as.character(total_gastos_partido$cor)
ggplot(total_gastos_partido, aes(x = reorder(sgPartido, -gastos), y = gastos/UM_MILHAO)) +
geom_col(aes(colour = sgPartido)) +
scale_color_manual(values = cores, guide = FALSE) +
scale_y_continuous(labels = comma, breaks = seq(0, 80, by = 10)) +
coord_flip() +
labs(title = "Gastos de cada partido com cota parlamentar", y = "Valor gasto em milhões de R$", x = "Partido")
A verba proveniente da cota parlamentar só pode ser utilizada para uma série de despesas pré-definidas como compra de passagens aéreas, Hospedagem, alimentação e etc. Entre esses tipos os mais usados são DE LONGE “Emissão de bilhetes aéreos” e “Publicidade e propaganda” ambos gastando mais de R$125 Milhões cada.
total_gastos_tipo_despesa <- dados
partidos <- unique(dados$sgPartido[!is.na(dados$sgPartido)])
total_gastos_tipo_despesa <-
total_gastos_tipo_despesa %>%
group_by(tipoDespesa) %>%
summarise(gastos = sum(valorLíquido), quantidade = plyr::count(tipoDespesa)$freq)
total_gastos_tipo_despesa <- total_gastos_tipo_despesa %>% mutate(cor = as.character(lapply(gastos, getCor)))
cores = as.character(total_gastos_tipo_despesa$cor)
total_gastos_tipo_despesa %>%
ggplot(aes(x = reorder(tipoDespesa, -gastos), y = gastos/UM_MILHAO)) +
geom_col(aes(colour = tipoDespesa)) +
scale_color_manual(values = cores, guide = FALSE) +
coord_flip() +
labs(title = "Gastos com cada tipo de despesa", y = "Valor gasto em milhões de R$", x="")
Ao contrário do que pode querer nos dizer o senso comum a dispesa que mais gasta não necessariamente é a mais usada. Publicidade e propaganda que é a despesa que mais gasta tem uma quantidade baixa de utilizações, isso indica que os repasses feitos as empresas de publicidade são volumosos, uma vez que a frequência de uso da CEAP para essa atividade é baixo.
Os tipos de despesas mais utilizados são, novamente DE LONGE, “Emissão de bilhetes aéreos” e “Combustíveis e lubrificantes”.
getCor <- function(qtd){
if(qtd < 40000) return("#05F613")
if(qtd >= 40000 & qtd < 100000) return("#F6A605")
return("#F63E17")
}
total_gastos_tipo_despesa <- total_gastos_tipo_despesa %>% mutate(cor = as.character(lapply(quantidade, getCor)))
cores = as.character(total_gastos_tipo_despesa$cor)
total_gastos_tipo_despesa %>%
ggplot(aes(x = reorder(tipoDespesa, -quantidade), y = quantidade)) +
geom_col(aes(colour = tipoDespesa)) +
scale_color_manual(values = cores, guide = FALSE) +
scale_y_continuous(labels = comma, breaks = seq(0, 350000, by = 50000)) +
coord_flip() +
labs(title = "Uso de cada tipo de despesa", y = "Quantidade de utilizações", x="")
Nesta parte da análise vamos responder perguntas considerando o uso da CEAP de acordo com o estado do deputado.
gastos_estado <- dados %>%
filter(!is.na(sgUF)) %>%
group_by(sgUF) %>%
summarise(gastos = sum(valorLíquido), quantidade = plyr::count(sgUF)$freq)
shp <- readOGR("mapas", "BRUFE250GC_SIR", stringsAsFactors=FALSE, encoding="UTF-8")
## OGR data source with driver: ESRI Shapefile
## Source: "mapas", layer: "BRUFE250GC_SIR"
## with 27 features
## It has 3 fields
mapeamento <- read_csv('dados/mapeamento_estados_ibge.csv')
getCodigo <- function(uf){
return(mapeamento[mapeamento$uf == uf,]$codigo)
}
gastos_estado <- gastos_estado %>% mutate(codigoUf = lapply(sgUF, getCodigo))
brasil_gastos_estado <- merge(shp, gastos_estado, by.x = "CD_GEOCUF", by.y = "codigoUf")
proj4string(brasil_gastos_estado) <- CRS("+proj=longlat +datum=WGS84 +no_defs")
Encoding(brasil_gastos_estado$NM_ESTADO) <- "UTF-8"
Um fator que deve se manter em mente ao julgar o mapa abaixo é que cada estado tem um número de deputados EQUIVALENTE a sua população, ou seja estados mais populosos tem mais deputados que possuem acesso a CEAP, portanto estes fazem um uso mais frequente da cota. Vejamos no mapa:
############# PLOTANDO O MAPA DE QUANTIDADE DE UTILIZAÇÕES ###############
pal <- colorBin("Blues",domain = NULL,n=5) #cores do mapa
state_popup <- paste0("<strong>Estado: </strong>",
brasil_gastos_estado$NM_ESTADO,
"<br><strong>Número de utilizações da CEAP: </strong>",
brasil_gastos_estado$quantidade)
leaflet(data = brasil_gastos_estado) %>%
addProviderTiles("CartoDB.Positron") %>%
addPolygons(fillColor = ~pal(brasil_gastos_estado$quantidade),
fillOpacity = 0.8,
color = "#BDBDC3",
weight = 1,
popup = state_popup) %>%
addLegend("topright", pal = pal, values = ~brasil_gastos_estado$quantidade,
title = "Quantidade de utilizações da cota parlamentar",
opacity = 1)